CN116597635B - 无线通讯智能燃气表控制器及其控制方法 - Google Patents
无线通讯智能燃气表控制器及其控制方法 Download PDFInfo
- Publication number
- CN116597635B CN116597635B CN202310561914.4A CN202310561914A CN116597635B CN 116597635 B CN116597635 B CN 116597635B CN 202310561914 A CN202310561914 A CN 202310561914A CN 116597635 B CN116597635 B CN 116597635B
- Authority
- CN
- China
- Prior art keywords
- gas pressure
- time sequence
- feature
- classification
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004891 communication Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000008859 change Effects 0.000 claims abstract description 70
- 239000013598 vector Substances 0.000 claims description 248
- 239000011159 matrix material Substances 0.000 claims description 105
- 238000009826 distribution Methods 0.000 claims description 81
- 238000005457 optimization Methods 0.000 claims description 31
- 238000001514 detection method Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 17
- 230000003068 static effect Effects 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 239000007789 gas Substances 0.000 description 423
- 230000006870 function Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 21
- 238000004590 computer program Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000010411 cooking Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 239000003463 adsorbent Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000002737 fuel gas Substances 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D3/00—Arrangements for supervising or controlling working operations
- F17D3/01—Arrangements for supervising or controlling working operations for controlling, signalling, or supervising the conveyance of a product
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/26—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Mechanical Engineering (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
一种无线通讯智能燃气表控制器及其控制方法,其获取预定时间段内多个预定时间点的燃气压力值;采用基于深度学习的人工智能技术,挖掘所述燃气压力值的隐含特征信息,并进行所述燃气压力值的时序变化特征的充分表达,以准确地进行燃气泄漏检测,从而避免燃气泄漏带来的安全事故,以保证燃气的使用安全性。
Description
技术领域
本申请涉及智能化控制技术领域,并且更具体地,涉及一种无线通讯智能燃气表控制器及其控制方法。
背景技术
当前国内外已公知的智能燃气表或传统燃气表,是一种家庭人员无法设定时间控制燃气阀门的开与关的燃气表。现有的智能燃气表或传统燃气表主要功能是燃气计量采集,而且燃气表与燃气灶台是通过燃气管道长期进行连接,使得燃气灶台的燃气管道始终存在燃气压力,容易造成燃气泄露,存在不安全隐患。
因此,期望一种无线通讯智能燃气表控制器,以自动进行燃气泄露的探测,保证燃气使用的安全性。
发明内容
为了解决上述技术问题,提出了本申请。本申请提供了一种无线通讯智能燃气表控制器及其控制方法,其获取预定时间段内多个预定时间点的燃气压力值;采用基于深度学习的人工智能技术,挖掘所述燃气压力值的隐含特征信息,并进行所述燃气压力值的时序变化特征的充分表达,以准确地进行燃气泄漏检测,从而避免燃气泄漏带来的安全事故,以保证燃气的使用安全性。
第一方面,提供了一种无线通讯智能燃气表控制器,其包括:
燃气压力采集模块,用于获取预定时间段内多个预定时间点的燃气压力值;
压力时序分布模块,用于将所述多个预定时间点的燃气压力值按照时间维度排列为燃气压力时序输入向量;
压力变化模块,用于计算所述燃气压力时序输入向量中每相邻两个位置的燃气压力值之间的差值以得到燃气压力变化时序输入向量;
压力动静信息融合模块,用于将所述燃气压力时序输入向量和所述燃气压力变化时序输入向量进行级联以得到燃气压力时序动-静输入向量;
压力时序变化特征提取模块,用于将所述燃气压力时序动-静输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到燃气压力时序动-静特征向量;
高斯增强模块,用于使用高斯密度图对所述燃气压力时序动-静特征向量进行特征级数据增强以得到分类特征矩阵;
特征优化模块,用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵;
燃气泄漏检测模块,用于将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否存在燃气泄露。
在上述无线通讯智能燃气表控制器中,所述压力动静信息融合模块,用于:以如下级联公式将所述燃气压力时序输入向量和所述燃气压力变化时序输入向量进行级联以得到燃气压力时序动-静输入向量;其中,所述级联公式为:
Vc=Concat[V1,V2]
其中,V1,V2表示所述燃气压力时序输入向量和所述燃气压力变化时序输入向量,Concat[·]表示级联函数,Vc表示所述燃气压力时序动-静输入向量。
在上述无线通讯智能燃气表控制器中,所述压力时序变化特征提取模块,包括:第一尺度特征提取单元,用于将所述燃气压力时序动-静输入向量输入所述时序特征提取器的第一卷积层以得到第一尺度燃气压力特征向量,其中,所述第一卷积层具有第一尺度的一维卷积核;第二尺度特征提取单元,用于将所述燃气压力时序动-静输入向量输入所述时序特征提取器的第二卷积层以得到第二尺度燃气压力特征向量,其中,所述第二卷积层具有第二尺度的一维卷积核,所述第一尺度不同于所述第二尺度;以及,多尺度级联单元,用于将所述第一尺度燃气压力特征向量和所述第二尺度燃气压力特征向量进行级联以得到所述燃气压力时序动-静特征向量。
在上述无线通讯智能燃气表控制器中,所述高斯增强模块,包括:高斯密度图构造单元,用于使用高斯密度图以如下高斯公式构造所述燃气压力时序动-静特征向量的高斯密度图;
其中,所述高斯公式为:
其中,μμ表示所述燃气压力时序动-静特征向量,且σσ的每个位置的值表示所述燃气压力时序动-静特征向量中各个位置的特征值之间的方差,x表示所述高斯密度图的变量,表示高斯概率密度函数;以及,高斯离散化单元,用于对所述高斯密度图的各个位置的高斯分布进行离散化处理以得到所述分类特征矩阵。
在上述无线通讯智能燃气表控制器中,所述特征优化模块,用于:以如下优化公式对所述分类特征矩阵进行特征分布优化以得到所述优化分类特征矩阵;其中,所述优化公式为:
m'i,j=(μσ)mi,j 2+mi,jμ+(mi,j-σ)μ2
其中,mi,j是所述分类特征矩阵的第(i,j)位置的特征值,μ和σ是所述分类特征矩阵的各个位置特征值集合的均值和标准差,且m'i,j是所述优化分类特征矩阵的第(i,j)位置的特征值。
在上述无线通讯智能燃气表控制器中,所述燃气泄漏检测模块,包括:矩阵展开单元,用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量;全连接编码单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
第二方面,提供了一种无线通讯智能燃气表控制方法,其包括:
获取预定时间段内多个预定时间点的燃气压力值;
将所述多个预定时间点的燃气压力值按照时间维度排列为燃气压力时序输入向量;
计算所述燃气压力时序输入向量中每相邻两个位置的燃气压力值之间的差值以得到燃气压力变化时序输入向量;
将所述燃气压力时序输入向量和所述燃气压力变化时序输入向量进行级联以得到燃气压力时序动-静输入向量;
将所述燃气压力时序动-静输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到燃气压力时序动-静特征向量;
使用高斯密度图对所述燃气压力时序动-静特征向量进行特征级数据增强以得到分类特征矩阵;
对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵;
将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否存在燃气泄露。
在上述无线通讯智能燃气表控制方法中,将所述燃气压力时序输入向量和所述燃气压力变化时序输入向量进行级联以得到燃气压力时序动-静输入向量,包括:以如下级联公式将所述燃气压力时序输入向量和所述燃气压力变化时序输入向量进行级联以得到燃气压力时序动-静输入向量;其中,所述级联公式为:
Vc=Concat[V1,V2]
其中,V1,V2表示所述燃气压力时序输入向量和所述燃气压力变化时序输入向量,Concat[·]表示级联函数,Vc表示所述燃气压力时序动-静输入向量。
在上述无线通讯智能燃气表控制方法中,将所述燃气压力时序动-静输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到燃气压力时序动-静特征向量,包括:将所述燃气压力时序动-静输入向量输入所述时序特征提取器的第一卷积层以得到第一尺度燃气压力特征向量,其中,所述第一卷积层具有第一尺度的一维卷积核;将所述燃气压力时序动-静输入向量输入所述时序特征提取器的第二卷积层以得到第二尺度燃气压力特征向量,其中,所述第二卷积层具有第二尺度的一维卷积核,所述第一尺度不同于所述第二尺度;以及,将所述第一尺度燃气压力特征向量和所述第二尺度燃气压力特征向量进行级联以得到所述燃气压力时序动-静特征向量。
在上述无线通讯智能燃气表控制方法中,使用高斯密度图对所述燃气压力时序动-静特征向量进行特征级数据增强以得到分类特征矩阵,包括:使用高斯密度图以如下高斯公式构造所述燃气压力时序动-静特征向量的高斯密度图;
其中,所述高斯公式为:
其中,μu表示所述燃气压力时序动-静特征向量,且σσ的每个位置的值表示所述燃气压力时序动-静特征向量中各个位置的特征值之间的方差,x表示所述高斯密度图的变量,表示高斯概率密度函数;以及,对所述高斯密度图的各个位置的高斯分布进行离散化处理以得到所述分类特征矩阵。
与现有技术相比,本申请提供的无线通讯智能燃气表控制器及其控制方法,其获取预定时间段内多个预定时间点的燃气压力值;采用基于深度学习的人工智能技术,挖掘所述燃气压力值的隐含特征信息,并进行所述燃气压力值的时序变化特征的充分表达,以准确地进行燃气泄漏检测,从而避免燃气泄漏带来的安全事故,以保证燃气的使用安全性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的无线通讯智能燃气表控制器的应用场景图;
图2为根据本申请实施例的无线通讯智能燃气表控制器的框图;
图3为根据本申请实施例的无线通讯智能燃气表控制器中所述压力时序变化特征提取模块的框图;
图4为根据本申请实施例的无线通讯智能燃气表控制器中所述高斯增强模块的框图;
图5为根据本申请实施例的无线通讯智能燃气表控制器中所述燃气泄漏检测模块的框图;
图6为根据本申请实施例的无线通讯智能燃气表控制方法的流程图;
图7为根据本申请实施例的无线通讯智能燃气表控制方法的***架构的示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
如上所述,现有的智能燃气表或传统燃气表主要功能是燃气计量采集,而且燃气表与燃气灶台是通过燃气管道长期进行连接,使得燃气灶台的燃气管道始终存在燃气压力,容易造成燃气泄露,存在不安全隐患。因此,期望一种无线通讯智能燃气表控制器,以自动进行燃气泄露的探测,保证燃气使用的安全性。
相应地,考虑到燃气灶台的燃气管道始终存在燃气压力,为了能够有效地进行燃气泄漏检测,需要对燃气压力值进行实时监测,但在燃气压力值监控过程中易造成燃气泄漏检测的滞后性,从而导致燃气的泄露。基于此,在本申请的技术方案中,期望对燃气压力值的时序变化进行分析,以对燃气压力值的时序变化趋势进行评估,从而对燃气是否泄露进行准确检测判断。但是,由于燃气压力值的时序变化信息为小尺度的细微隐含变化特征信息,难以通过传统的方式进行捕捉提取,导致对于燃气压力值的时序变化情况的敏感度较低,影响燃气泄漏检测的精准度。因此,在此过程中,难点在于如何进行所述燃气压力值的时序变化特征的充分表达,以准确地进行燃气泄漏检测,从而避免燃气泄漏带来的安全事故,以保证燃气的使用安全性。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述燃气压力值的时序变化特征信息提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先,获取预定时间段内多个预定时间点的燃气压力值。接着,考虑到由于所述燃气压力值在时间维度上具有着动态性的变化规律,因此,为了能够对所述燃气压力值在时间维度上的变化特征信息进行有效捕捉,在本申请的技术方案中,将所述多个预定时间点的燃气压力值按照时间维度排列为燃气压力时序输入向量,以此来整合所述燃气压力值在时序上的分布信息。
进一步地,为了对所述燃气压力值进行实时准确地监测,以准确评估吸附剂的饱和状态,需要对所述燃气压力值在时间维度上的动态变化特征进行提取,考虑到由于所述燃气压力值在时序上的变化信息是微弱的,这种微弱的变化特征相对于所述燃气压力值来说为小尺度的变化特征信息,若仅以绝对变化信息来进行所述燃气压力值的时序动态变化特征提取,不仅会造成过拟合,而且还会使得所述燃气压力值在时间维度上的小尺度微弱变化特征难以被察觉,进而影响后续分类的精准度。
基于此,在本申请的技术方案中,采用所述燃气压力值的时序相对变化特征和绝对变化特征来综合进行所述燃气压力值的时序变化特征提取。具体地,首先,计算所述燃气压力时序输入向量中每相邻两个位置的燃气压力值之间的差值以得到燃气压力变化时序输入向量。接着,考虑到由于所述燃气压力值的时序相对变化特征与时序绝对变化特征间具有着关于所述燃气压力时序变化的关联关系,因此,为了充分地探究所述燃气压力值在时间维度上的时序变化规律,以准确地进行燃气泄漏监测,在本申请的技术方案中,进一步将所述燃气压力时序输入向量和所述燃气压力变化时序输入向量进行级联以得到燃气压力时序动-静输入向量,有利于后续进行所述燃气压力值的时序变化特征的充分表达。
然后,考虑到所述燃气压力值在时间维度上具有着波动性和不确定性,因此其在所述预定时间段内的不同时间周期跨度下呈现出不同的时序变化特征。因此,在本申请的技术方案中,为了能够进行所述燃气压力值的时序变化特征的充分表达,进一步将所述燃气压力时序动-静输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到燃气压力时序动-静特征向量。特别地,这里所述第一卷积层和所述第二卷积层采用不同尺度的一维卷积核来进行所述燃气压力时序动-静输入向量的特征挖掘,以提取出所述燃气压力值的动静多维数据信息在不同时间跨度下的多尺度邻域关联特性,即所述燃气压力值的多尺度时序变化特征信息。
进一步地,还考虑到由于所述燃气压力值的时序动态变化在实际监测的过程中并不明显,因此,在得到所述燃气压力时序动-静特征向量后,期望对其进行特征表达强化。应可以理解,作为神经网络模型的学习目标,高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布,也就是,以特征分布作为先验分布,来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布,从而在更高维度上更准确地描述特征分布。因此,在本申请的技术方案中,可以通过所述燃气压力值的先验分布,即高斯分布,来对所述燃气压力值的多尺度时序变化特征信息进行数据增强,也就是,使用高斯密度图对所述燃气压力时序动-静特征向量进行特征级数据增强以得到分类特征矩阵。也就是说,为了增强特征表达的丰富度,以高斯分布作为先验知识来对所述燃气压力时序动-静特征向量进行特征级数据增强以得到所述分类特征矩阵。
接着,进一步再将所述分类特征矩阵通过分类器中进行分类处理,以得到用于表示是否存在燃气泄露的分类结果。也就是,在本申请的技术方案中,所述分类器的标签包括存在燃气泄露(第一标签),以及,不存在燃气泄露(第二标签),其中,所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“是否存在燃气泄露”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2的概率之和为一。因此,是否存在燃气泄露的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“是否存在燃气泄露”的语言文本意义。应可以理解,在本申请的技术方案中,所述分类器的分类标签为是否存在燃气泄露的检测判断标签,因此,在得到所述分类结果后,可基于所述分类结果来进行燃气泄漏检测,从而避免燃气泄漏带来的安全事故。
特别地,在本申请的技术方案中,在将所述燃气压力时序动-静输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到燃气压力时序动-静特征向量时,考虑到所述燃气压力时序动-静输入向量是将所述燃气压力时序输入向量和所述燃气压力变化时序输入向量进行级联得到的,因此,所述燃气压力时序动-静特征向量除了包括压力绝对值和压力趋势值各自的多尺度时序关联特征以外,还在所述燃气压力时序输入向量和所述燃气压力变化时序输入向量的级联位置附近具有压力绝对值和压力变化值的关联特征。进一步地,为了增强特征表达的丰富度,以高斯分布作为先验知识来对所述燃气压力时序动-静特征向量进行特征级数据增强,然而这也会使得所述分类特征矩阵的各个局部分布难以具有一致性,导致所述分类特征矩阵的整体特征分布的规则化程度较低,从而影响所述分类特征矩阵的分类准确性。
基于此,本申请的申请人对所述分类特征矩阵M进行流形曲面的高斯概率密度参数二次正则化,具体表示为:
m'i,j=(μσ)mi,j 2+mi,jμ+(mi,j-σ)μ2
其中μ和σ是特征值集合mi,j∈M的均值和标准差,且m'i,j是优化后的所述分类特征矩阵M'的第(i,j)位置的特征值。
具体地,为了解决所述分类特征矩阵M的特征集合的高维特征分布在关联融合的高维特征空间内的分布不规则化的问题,通过特征值针对解码器的回归概率分布的高斯概率密度参数的似然性进行所述分类特征矩阵M的各个特征值的二次正则化,来将基于目标回归概率的高斯概率密度参数的参数空间内的等距离分布进行特征值的平滑约束,以获得高维特征的流形曲面表达的原始概率密度似然函数在参数空间内的规则化重整,从而提升优化后的所述分类特征矩阵M'的特征分布的规则性,以提升优化后的所述分类特征矩阵M'通过分类器的分类判断的准确性。这样,能够准确地进行燃气泄漏检测,从而避免燃气泄漏带来的安全事故,保证燃气的使用安全性。
图1为根据本申请实施例的无线通讯智能燃气表控制器的应用场景图。如图1所示,在该应用场景中,首先,获取预定时间段内多个预定时间点的燃气压力值(例如,如图1中所示意的C);然后,将获取的燃气压力值输入至部署有无线通讯智能燃气表控制算法的服务器(例如,如图1中所示意的S)中,其中所述服务器能够基于无线通讯智能燃气表控制算法对所述燃气压力值进行处理,以生成用于表示是否存在燃气泄露的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
在本申请的一个实施例中,图2为根据本申请实施例的无线通讯智能燃气表控制器的框图。如图2所示,根据本申请实施例的无线通讯智能燃气表控制器100,包括:燃气压力采集模块110,用于获取预定时间段内多个预定时间点的燃气压力值;压力时序分布模块120,用于将所述多个预定时间点的燃气压力值按照时间维度排列为燃气压力时序输入向量;压力变化模块130,用于计算所述燃气压力时序输入向量中每相邻两个位置的燃气压力值之间的差值以得到燃气压力变化时序输入向量;压力动静信息融合模块140,用于将所述燃气压力时序输入向量和所述燃气压力变化时序输入向量进行级联以得到燃气压力时序动-静输入向量;压力时序变化特征提取模块150,用于将所述燃气压力时序动-静输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到燃气压力时序动-静特征向量;高斯增强模块160,用于使用高斯密度图对所述燃气压力时序动-静特征向量进行特征级数据增强以得到分类特征矩阵;特征优化模块170,用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵;以及,燃气泄漏检测模块180,用于将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否存在燃气泄露。
具体地,在本申请实施例中,所述燃气压力采集模块110,用于获取预定时间段内多个预定时间点的燃气压力值。如上所述,现有的智能燃气表或传统燃气表主要功能是燃气计量采集,而且燃气表与燃气灶台是通过燃气管道长期进行连接,使得燃气灶台的燃气管道始终存在燃气压力,容易造成燃气泄露,存在不安全隐患。因此,期望一种无线通讯智能燃气表控制器,以自动进行燃气泄露的探测,保证燃气使用的安全性。
相应地,考虑到燃气灶台的燃气管道始终存在燃气压力,为了能够有效地进行燃气泄漏检测,需要对燃气压力值进行实时监测,但在燃气压力值监控过程中易造成燃气泄露检测的滞后性,从而导致燃气的泄露。基于此,在本申请的技术方案中,期望对燃气压力值的时序变化进行分析,以对燃气压力值的时序变化趋势进行评估,从而对燃气是否泄露进行准确检测判断。但是,由于燃气压力值的时序变化信息为小尺度的细微隐含变化特征信息,难以通过传统的方式进行捕捉提取,导致对于燃气压力值的时序变化情况的敏感度较低,影响燃气泄漏检测的精准度。因此,在此过程中,难点在于如何进行所述燃气压力值的时序变化特征的充分表达,以准确地进行燃气泄漏检测,从而避免燃气泄漏带来的安全事故,以保证燃气的使用安全性。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述燃气压力值的时序变化特征信息提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先,获取预定时间段内多个预定时间点的燃气压力值。
具体地,在本申请实施例中,所述压力时序分布模块120,用于将所述多个预定时间点的燃气压力值按照时间维度排列为燃气压力时序输入向量。接着,考虑到由于所述燃气压力值在时间维度上具有着动态性的变化规律,因此,为了能够对所述燃气压力值在时间维度上的变化特征信息进行有效捕捉,在本申请的技术方案中,将所述多个预定时间点的燃气压力值按照时间维度排列为燃气压力时序输入向量,以此来整合所述燃气压力值在时序上的分布信息。
具体地,在本申请实施例中,所述压力变化模块130,用于计算所述燃气压力时序输入向量中每相邻两个位置的燃气压力值之间的差值以得到燃气压力变化时序输入向量。进一步地,为了对所述燃气压力值进行实时准确地监测,以准确评估吸附剂的饱和状态,需要对所述燃气压力值在时间维度上的动态变化特征进行提取,考虑到由于所述燃气压力值在时序上的变化信息是微弱的,这种微弱的变化特征相对于所述燃气压力值来说为小尺度的变化特征信息,若仅以绝对变化信息来进行所述燃气压力值的时序动态变化特征提取不仅会造成过拟合,而且还会使得所述燃气压力值在时间维度上的小尺度微弱变化特征难以被察觉,进而影响后续分类的精准度。
基于此,在本申请的技术方案中,采用所述燃气压力值的时序相对变化特征和绝对变化特征来综合进行所述燃气压力值的时序变化特征提取。具体地,首先,计算所述燃气压力时序输入向量中每相邻两个位置的燃气压力值之间的差值以得到燃气压力变化时序输入向量。
具体地,在本申请实施例中,所述压力动静信息融合模块140,用于将所述燃气压力时序输入向量和所述燃气压力变化时序输入向量进行级联以得到燃气压力时序动-静输入向量。接着,考虑到由于所述燃气压力值的时序相对变化特征与时序绝对变化特征间具有着关于所述燃气压力时序变化的关联关系。因此,为了充分地探究所述燃气压力值在时间维度上的时序变化规律,以准确地进行燃气泄漏监测,在本申请的技术方案中,进一步将所述燃气压力时序输入向量和所述燃气压力变化时序输入向量进行级联以得到燃气压力时序动-静输入向量,有利于后续进行所述燃气压力值的时序变化特征的充分表达。
其中,所述压力动静信息融合模块140,用于:以如下级联公式将所述燃气压力时序输入向量和所述燃气压力变化时序输入向量进行级联以得到燃气压力时序动-静输入向量;其中,所述级联公式为:
Vc=Concat[V1,V2]
其中,V1,V2表示所述燃气压力时序输入向量和所述燃气压力变化时序输入向量,Concat[·]表示级联函数,Vc表示所述燃气压力时序动-静输入向量。
具体地,在本申请实施例中,所述压力时序变化特征提取模块150,用于将所述燃气压力时序动-静输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到燃气压力时序动-静特征向量。然后,考虑到所述燃气压力值在时间维度上具有着波动性和不确定性,因此其在所述预定时间段内的不同时间周期跨度下呈现出不同的时序变化特征。因此,在本申请的技术方案中,为了能够进行所述燃气压力值的时序变化特征的充分表达,进一步将所述燃气压力时序动-静输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到燃气压力时序动-静特征向量。特别地,这里所述第一卷积层和所述第二卷积层采用不同尺度的一维卷积核来进行所述燃气压力时序动-静输入向量的特征挖掘,以提取出所述燃气压力值的动静多维数据信息在不同时间跨度下的多尺度邻域关联特性,即所述燃气压力值的多尺度时序变化特征信息。
图3为根据本申请实施例的无线通讯智能燃气表控制器中所述压力时序变化特征提取模块的框图,如图3所示,所述压力时序变化特征提取模块150,包括:第一尺度特征提取单元151,用于将所述燃气压力时序动-静输入向量输入所述时序特征提取器的第一卷积层以得到第一尺度燃气压力特征向量,其中,所述第一卷积层具有第一尺度的一维卷积核;第二尺度特征提取单元152,用于将所述燃气压力时序动-静输入向量输入所述时序特征提取器的第二卷积层以得到第二尺度燃气压力特征向量,其中,所述第二卷积层具有第二尺度的一维卷积核,所述第一尺度不同于所述第二尺度;以及,多尺度级联单元153,用于将所述第一尺度燃气压力特征向量和所述第二尺度燃气压力特征向量进行级联以得到所述燃气压力时序动-静特征向量。
具体地,在本申请实施例中,所述高斯增强模块160,用于使用高斯密度图对所述燃气压力时序动-静特征向量进行特征级数据增强以得到分类特征矩阵。进一步地,还考虑到由于所述燃气压力值的时序动态变化在实际监测的过程中并不明显,因此,在得到所述燃气压力时序动-静特征向量后,期望对其进行特征表达强化。应可以理解,作为神经网络模型的学习目标,高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布,也就是,以特征分布作为先验分布,来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布,从而在更高维度上更准确地描述特征分布。
因此,在本申请的技术方案中,可以通过所述燃气压力值的先验分布,即高斯分布,来对所述燃气压力值的多尺度时序变化特征信息进行数据增强,也就是,使用高斯密度图对所述燃气压力时序动-静特征向量进行特征级数据增强以得到分类特征矩阵。也就是说,为了增强特征表达的丰富度,以高斯分布作为先验知识来对所述燃气压力时序动-静特征向量进行特征级数据增强以得到所述分类特征矩阵。
图4为根据本申请实施例的无线通讯智能燃气表控制器中所述高斯增强模块的框图,如图4所示,所述高斯增强模块160,包括:高斯密度图构造单元161,用于使用高斯密度图以如下高斯公式构造所述燃气压力时序动-静特征向量的高斯密度图;
其中,所述高斯公式为:
其中,μμ表示所述燃气压力时序动-静特征向量,且σσ的每个位置的值表示所述燃气压力时序动-静特征向量中各个位置的特征值之间的方差,x表示所述高斯密度图的变量,表示高斯概率密度函数;以及,高斯离散化单元162,用于对所述高斯密度图的各个位置的高斯分布进行离散化处理以得到所述分类特征矩阵。
应可以理解,作为神经网络模型的学习目标,高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布,也就是,以特征分布作为先验分布,来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布,从而在更高维度上更准确地描述特征分布。
具体地,在本申请实施例中,所述特征优化模块170,用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵。特别地,在本申请的技术方案中,在将所述燃气压力时序动-静输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到燃气压力时序动-静特征向量时,考虑到所述燃气压力时序动-静输入向量是将所述燃气压力时序输入向量和所述燃气压力变化时序输入向量进行级联得到的,因此,所述燃气压力时序动-静特征向量除了包括压力绝对值和压力趋势值各自的多尺度时序关联特征以外,还在所述燃气压力时序输入向量和所述燃气压力变化时序输入向量的级联位置附近具有压力绝对值和压力变化值的关联特征。进一步地,为了增强特征表达的丰富度,以高斯分布作为先验知识来对所述燃气压力时序动-静特征向量进行特征级数据增强,然而这也会使得所述分类特征矩阵的各个局部分布难以具有一致性,导致所述分类特征矩阵的整体特征分布的规则化程度较低,从而影响所述分类特征矩阵的分类准确性。
基于此,本申请的申请人对所述分类特征矩阵M进行流形曲面的高斯概率密度参数二次正则化,具体表示为:所述特征优化模块170,用于:以如下优化公式对所述分类特征矩阵进行特征分布优化以得到所述优化分类特征矩阵;其中,所述优化公式为:
m'i,j=(μσ)mi,j 2+mi,jμ+(mi,j-σ)μ2
其中,mi,j是所述分类特征矩阵的第(i,j)位置的特征值,μ和σ是所述分类特征矩阵的各个位置特征值集合的均值和标准差,且m'i,j是所述优化分类特征矩阵的第(i,j)位置的特征值。
具体地,为了解决所述分类特征矩阵M的特征集合的高维特征分布在关联融合的高维特征空间内的分布不规则化的问题,通过特征值针对解码器的回归概率分布的高斯概率密度参数的似然性进行所述分类特征矩阵M的各个特征值的二次正则化,来将基于目标回归概率的高斯概率密度参数的参数空间内的等距离分布进行特征值的平滑约束,以获得高维特征的流形曲面表达的原始概率密度似然函数在参数空间内的规则化重整,从而提升优化后的所述分类特征矩阵M'的特征分布的规则性,以提升优化后的所述分类特征矩阵M'通过分类器的分类判断的准确性。这样,能够准确地进行燃气泄漏检测,从而避免燃气泄漏带来的安全事故,保证燃气的使用安全性。
具体地,在本申请实施例中,所述燃气泄漏检测模块180,用于将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否存在燃气泄露。接着,进一步再将所述分类特征矩阵通过分类器中进行分类处理,以得到用于表示是否存在燃气泄露的分类结果。也就是,在本申请的技术方案中,所述分类器的标签包括存在燃气泄露(第一标签),以及,不存在燃气泄露(第二标签),其中,所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“是否存在燃气泄露”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2的概率之和为一。
因此,是否存在燃气泄露的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“是否存在燃气泄露”的语言文本意义。应可以理解,在本申请的技术方案中,所述分类器的分类标签为是否存在燃气泄露的检测判断标签,因此,在得到所述分类结果后,可基于所述分类结果来进行燃气泄漏检测,从而避免燃气泄漏带来的安全事故。
图5为根据本申请实施例的无线通讯智能燃气表控制器中所述燃气泄漏检测模块的框图,如图5所示,所述燃气泄漏检测模块180,包括:矩阵展开单元181,用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量;全连接编码单元182,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类单元183,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上,基于本申请实施例的无线通讯智能燃气表控制器100被阐明,其获取预定时间段内多个预定时间点的燃气压力值;采用基于深度学习的人工智能技术,挖掘所述燃气压力值的隐含特征信息,并进行所述燃气压力值的时序变化特征的充分表达,以准确地进行燃气泄漏检测,从而避免燃气泄漏带来的安全事故,以保证燃气的使用安全性。
在本申请的一个实施例中,图6为根据本申请实施例的无线通讯智能燃气表控制方法的流程图。如图6所示,根据本申请实施例的无线通讯智能燃气表控制方法,其包括:210,获取预定时间段内多个预定时间点的燃气压力值;220,将所述多个预定时间点的燃气压力值按照时间维度排列为燃气压力时序输入向量;230,计算所述燃气压力时序输入向量中每相邻两个位置的燃气压力值之间的差值以得到燃气压力变化时序输入向量;240,将所述燃气压力时序输入向量和所述燃气压力变化时序输入向量进行级联以得到燃气压力时序动-静输入向量;250,将所述燃气压力时序动-静输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到燃气压力时序动-静特征向量;260,使用高斯密度图对所述燃气压力时序动-静特征向量进行特征级数据增强以得到分类特征矩阵;270,对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵;以及,280,将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否存在燃气泄露。
图7为根据本申请实施例的无线通讯智能燃气表控制方法的***架构的示意图。如图7所示,在所述无线通讯智能燃气表控制方法的***架构中,首先,获取预定时间段内多个预定时间点的燃气压力值;然后,将所述多个预定时间点的燃气压力值按照时间维度排列为燃气压力时序输入向量;接着,计算所述燃气压力时序输入向量中每相邻两个位置的燃气压力值之间的差值以得到燃气压力变化时序输入向量;然后,将所述燃气压力时序输入向量和所述燃气压力变化时序输入向量进行级联以得到燃气压力时序动-静输入向量;接着,将所述燃气压力时序动-静输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到燃气压力时序动-静特征向量;然后,使用高斯密度图对所述燃气压力时序动-静特征向量进行特征级数据增强以得到分类特征矩阵;接着,对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵;以及,最后,将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否存在燃气泄露。
在一个具体示例中,在上述无线通讯智能燃气表控制方法中,将所述燃气压力时序输入向量和所述燃气压力变化时序输入向量进行级联以得到燃气压力时序动-静输入向量,包括:以如下级联公式将所述燃气压力时序输入向量和所述燃气压力变化时序输入向量进行级联以得到燃气压力时序动-静输入向量;其中,所述级联公式为:
Vc=Concat[V1,V2]
其中,V1,V2表示所述燃气压力时序输入向量和所述燃气压力变化时序输入向量,Concat[·]表示级联函数,Vc表示所述燃气压力时序动-静输入向量。
在一个具体示例中,在上述无线通讯智能燃气表控制方法中,将所述燃气压力时序动-静输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到燃气压力时序动-静特征向量,包括:将所述燃气压力时序动-静输入向量输入所述时序特征提取器的第一卷积层以得到第一尺度燃气压力特征向量,其中,所述第一卷积层具有第一尺度的一维卷积核;将所述燃气压力时序动-静输入向量输入所述时序特征提取器的第二卷积层以得到第二尺度燃气压力特征向量,其中,所述第二卷积层具有第二尺度的一维卷积核,所述第一尺度不同于所述第二尺度;以及,将所述第一尺度燃气压力特征向量和所述第二尺度燃气压力特征向量进行级联以得到所述燃气压力时序动-静特征向量。
在一个具体示例中,在上述无线通讯智能燃气表控制方法中,使用高斯密度图对所述燃气压力时序动-静特征向量进行特征级数据增强以得到分类特征矩阵,包括:使用高斯密度图以如下高斯公式构造所述燃气压力时序动-静特征向量的高斯密度图;
其中,所述高斯公式为:
其中,μu表示所述燃气压力时序动-静特征向量,且σσ的每个位置的值表示所述燃气压力时序动-静特征向量中各个位置的特征值之间的方差,x表示所述高斯密度图的变量,表示高斯概率密度函数;以及,对所述高斯密度图的各个位置的高斯分布进行离散化处理以得到所述分类特征矩阵。
在一个具体示例中,在上述无线通讯智能燃气表控制方法中,对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵,包括:以如下优化公式对所述分类特征矩阵进行特征分布优化以得到所述优化分类特征矩阵;其中,所述优化公式为:
m'i,j=μ(μσ)mi,j 2+mi,jμ+(mi,j-σ)μ2
其中,mi,j是所述分类特征矩阵的第(i,j)位置的特征值,μ和σ是所述分类特征矩阵的各个位置特征值集合的均值和标准差,且m'i,j是所述优化分类特征矩阵的第(i,j)位置的特征值。
在一个具体示例中,在上述无线通讯智能燃气表控制方法中,将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否存在燃气泄露,包括:将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量;使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
本领域技术人员可以理解,上述无线通讯智能燃气表控制方法中的各个步骤的具体操作已经在上面参考图1到图5的无线通讯智能燃气表控制器的描述中得到了详细介绍,因此,将省略其重复描述。
在本申请的一个实施例中,还提供了一种计算机程序产品,所述计算机程序产品包括指令,当所述指令被执行时,以使得装置执行对应于上述方法中的操作。
在本申请的一个实施例中,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
应可以理解,本申请的实施例可提供为方法、***、或计算机程序产品。因此,可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例的方法、***、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (9)
1.一种无线通讯智能燃气表控制器,其特征在于,包括:
燃气压力采集模块,用于获取预定时间段内多个预定时间点的燃气压力值;
压力时序分布模块,用于将所述多个预定时间点的燃气压力值按照时间维度排列为燃气压力时序输入向量;
压力变化模块,用于计算所述燃气压力时序输入向量中每相邻两个位置的燃气压力值之间的差值以得到燃气压力变化时序输入向量;
压力动静信息融合模块,用于将所述燃气压力时序输入向量和所述燃气压力变化时序输入向量进行级联以得到燃气压力时序动-静输入向量;
压力时序变化特征提取模块,用于将所述燃气压力时序动-静输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到燃气压力时序动-静特征向量;
高斯增强模块,用于使用高斯密度图对所述燃气压力时序动-静特征向量进行特征级数据增强以得到分类特征矩阵;
特征优化模块,用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵;
燃气泄漏检测模块,用于将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否存在燃气泄露;
所述特征优化模块,用于:以如下优化公式对所述分类特征矩阵进行特征分布优化以得到所述优化分类特征矩阵;
其中,所述优化公式为:
m'i,j=(μσ)mi,j 2+mi,jμ+(mi,j-σ)μ2
其中,mi,j是所述分类特征矩阵的第(i,j)位置的特征值,μ和σ是所述分类特征矩阵的各个位置特征值集合的均值和标准差,且m'i,j是所述优化分类特征矩阵的第(i,j)位置的特征值;
通过特征值针对解码器的回归概率分布的高斯概率密度参数的似然性进行所述分类特征矩阵的各个特征值的二次正则化,将基于目标回归概率的高斯概率密度参数的参数空间内的等距离分布进行特征值的平滑约束,以获得高维特征的流形曲面表达的原始概率密度似然函数在参数空间内的规则化重整。
2.根据权利要求1所述的无线通讯智能燃气表控制器,其特征在于,所述压力动静信息融合模块,用于:以如下级联公式将所述燃气压力时序输入向量和所述燃气压力变化时序输入向量进行级联以得到燃气压力时序动-静输入向量;
其中,所述级联公式为:
Vc=Concat[V1,V2]
其中,V1,V2表示所述燃气压力时序输入向量和所述燃气压力变化时序输入向量,Concat[·]表示级联函数,Vc表示所述燃气压力时序动-静输入向量。
3.根据权利要求2所述的无线通讯智能燃气表控制器,其特征在于,所述压力时序变化特征提取模块,包括:
第一尺度特征提取单元,用于将所述燃气压力时序动-静输入向量输入所述时序特征提取器的第一卷积层以得到第一尺度燃气压力特征向量,其中,所述第一卷积层具有第一尺度的一维卷积核;
第二尺度特征提取单元,用于将所述燃气压力时序动-静输入向量输入所述时序特征提取器的第二卷积层以得到第二尺度燃气压力特征向量,其中,所述第二卷积层具有第二尺度的一维卷积核,所述第一尺度不同于所述第二尺度;
多尺度级联单元,用于将所述第一尺度燃气压力特征向量和所述第二尺度燃气压力特征向量进行级联以得到所述燃气压力时序动-静特征向量。
4.根据权利要求3所述的无线通讯智能燃气表控制器,其特征在于,所述高斯增强模块,包括:
高斯密度图构造单元,用于使用高斯密度图以如下高斯公式构造所述燃气压力时序动-静特征向量的高斯密度图;
其中,所述高斯公式为:
其中,μu表示所述燃气压力时序动-静特征向量,且σσ的每个位置的值表示所述燃气压力时序动-静特征向量中各个位置的特征值之间的方差,x表示所述高斯密度图的变量,表示高斯概率密度函数;
高斯离散化单元,用于对所述高斯密度图的各个位置的高斯分布进行离散化处理以得到所述分类特征矩阵。
5.根据权利要求4所述的无线通讯智能燃气表控制器,其特征在于,所述燃气泄漏检测模块,包括:
矩阵展开单元,用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量;
全连接编码单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;
分类单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
6.一种无线通讯智能燃气表控制方法,其特征在于,包括:
获取预定时间段内多个预定时间点的燃气压力值;
将所述多个预定时间点的燃气压力值按照时间维度排列为燃气压力时序输入向量;
计算所述燃气压力时序输入向量中每相邻两个位置的燃气压力值之间的差值以得到燃气压力变化时序输入向量;
将所述燃气压力时序输入向量和所述燃气压力变化时序输入向量进行级联以得到燃气压力时序动-静输入向量;
将所述燃气压力时序动-静输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到燃气压力时序动-静特征向量;
使用高斯密度图对所述燃气压力时序动-静特征向量进行特征级数据增强以得到分类特征矩阵;
对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵;
将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否存在燃气泄露;
所述对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵,包括:以如下优化公式对所述分类特征矩阵进行特征分布优化以得到所述优化分类特征矩阵;
其中,所述优化公式为:
m'i,j=(μσ)mi,j 2+mi,jμ+(mi,j-σ)μ2
其中,mi,j是所述分类特征矩阵的第(i,j)位置的特征值,μ和σ是所述分类特征矩阵的各个位置特征值集合的均值和标准差,且m'i,j是所述优化分类特征矩阵的第(i,j)位置的特征值;
通过特征值针对解码器的回归概率分布的高斯概率密度参数的似然性进行所述分类特征矩阵的各个特征值的二次正则化,将基于目标回归概率的高斯概率密度参数的参数空间内的等距离分布进行特征值的平滑约束,以获得高维特征的流形曲面表达的原始概率密度似然函数在参数空间内的规则化重整。
7.根据权利要求6所述的无线通讯智能燃气表控制方法,其特征在于,将所述燃气压力时序输入向量和所述燃气压力变化时序输入向量进行级联以得到燃气压力时序动-静输入向量,包括:以如下级联公式将所述燃气压力时序输入向量和所述燃气压力变化时序输入向量进行级联以得到燃气压力时序动-静输入向量;
其中,所述级联公式为:
Vc=Concat[V1,V2]
其中,V1,V2表示所述燃气压力时序输入向量和所述燃气压力变化时序输入向量,Concat[·]表示级联函数,Vc表示所述燃气压力时序动-静输入向量。
8.根据权利要求7所述的无线通讯智能燃气表控制方法,其特征在于,将所述燃气压力时序动-静输入向量通过包含第一卷积层和第二卷积层的时序特征提取器以得到燃气压力时序动-静特征向量,包括:
将所述燃气压力时序动-静输入向量输入所述时序特征提取器的第一卷积层以得到第一尺度燃气压力特征向量,其中,所述第一卷积层具有第一尺度的一维卷积核;
将所述燃气压力时序动-静输入向量输入所述时序特征提取器的第二卷积层以得到第二尺度燃气压力特征向量,其中,所述第二卷积层具有第二尺度的一维卷积核,所述第一尺度不同于所述第二尺度;
将所述第一尺度燃气压力特征向量和所述第二尺度燃气压力特征向量进行级联以得到所述燃气压力时序动-静特征向量。
9.根据权利要求8所述的无线通讯智能燃气表控制方法,其特征在于,使用高斯密度图对所述燃气压力时序动-静特征向量进行特征级数据增强以得到分类特征矩阵,包括:
使用高斯密度图以如下高斯公式构造所述燃气压力时序动-静特征向量的高斯密度图;
其中,所述高斯公式为:
其中,μu表示所述燃气压力时序动-静特征向量,且σσ的每个位置的值表示所述燃气压力时序动-静特征向量中各个位置的特征值之间的方差,x表示所述高斯密度图的变量,表示高斯概率密度函数;
对所述高斯密度图的各个位置的高斯分布进行离散化处理以得到所述分类特征矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310561914.4A CN116597635B (zh) | 2023-05-18 | 2023-05-18 | 无线通讯智能燃气表控制器及其控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310561914.4A CN116597635B (zh) | 2023-05-18 | 2023-05-18 | 无线通讯智能燃气表控制器及其控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116597635A CN116597635A (zh) | 2023-08-15 |
CN116597635B true CN116597635B (zh) | 2024-02-23 |
Family
ID=87595077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310561914.4A Active CN116597635B (zh) | 2023-05-18 | 2023-05-18 | 无线通讯智能燃气表控制器及其控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116597635B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116772944B (zh) * | 2023-08-25 | 2023-12-01 | 克拉玛依市燃气有限责任公司 | 配气站的智能监控***及其方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN206248155U (zh) * | 2016-12-08 | 2017-06-13 | 四川海力智能科技股份有限公司 | 一种智能燃气表 |
KR101896015B1 (ko) * | 2018-01-25 | 2018-09-06 | (주)베스트인포텍 | Ai형 원격 검침시스템 |
CN208192787U (zh) * | 2017-07-05 | 2018-12-07 | 佛山市顺德区美的电热电器制造有限公司 | 蒸汽喷射烹饪器具 |
CN115993268A (zh) * | 2023-03-22 | 2023-04-21 | 福建天甫电子材料有限公司 | 无水氟化氢的取样***及其方法 |
CN116025319A (zh) * | 2023-01-31 | 2023-04-28 | 新疆广陆能源科技股份有限公司 | 多介质热流体作业监测***及其方法 |
-
2023
- 2023-05-18 CN CN202310561914.4A patent/CN116597635B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN206248155U (zh) * | 2016-12-08 | 2017-06-13 | 四川海力智能科技股份有限公司 | 一种智能燃气表 |
CN208192787U (zh) * | 2017-07-05 | 2018-12-07 | 佛山市顺德区美的电热电器制造有限公司 | 蒸汽喷射烹饪器具 |
KR101896015B1 (ko) * | 2018-01-25 | 2018-09-06 | (주)베스트인포텍 | Ai형 원격 검침시스템 |
CN116025319A (zh) * | 2023-01-31 | 2023-04-28 | 新疆广陆能源科技股份有限公司 | 多介质热流体作业监测***及其方法 |
CN115993268A (zh) * | 2023-03-22 | 2023-04-21 | 福建天甫电子材料有限公司 | 无水氟化氢的取样***及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116597635A (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104318261B (zh) | 一种基于图嵌入低秩稀疏表示恢复的稀疏表示人脸识别方法 | |
CN105678253B (zh) | 半监督人脸年龄估计装置及半监督人脸年龄估计方法 | |
CN116086790B (zh) | 氢燃料电池高压阀的性能检测方法及其*** | |
CN116336400B (zh) | 油气集输管道基线检测方法 | |
CN116597635B (zh) | 无线通讯智能燃气表控制器及其控制方法 | |
CN116092701B (zh) | 基于健康数据分析管理平台的控制***及其方法 | |
CN117155706B (zh) | 网络异常行为检测方法及其*** | |
CN117077075A (zh) | 用于环境保护的水质监测***及其方法 | |
CN113919540A (zh) | 一种生产过程运行状态的监测方法及相关设备 | |
CN115081641A (zh) | 模型训练方法、评估结果的预测方法、设备及存储介质 | |
CN116759053A (zh) | 基于物联网***的医疗体系防控方法及*** | |
Racheal et al. | Evaluation of optimized machine learning models for nuclear reactor accident prediction | |
Lin et al. | Feature extraction and sensor selection for NPP initiating event identification | |
CN117521063A (zh) | 基于残差神经网络并结合迁移学习的恶意软件检测方法及装置 | |
CN117134958A (zh) | 用于网络技术服务的信息处理方法及*** | |
Zhang et al. | Colour‐patterned fabric‐defect detection using unsupervised and memorial defect‐free features | |
CN116595551A (zh) | 银行交易数据管理方法及*** | |
Borges et al. | Integrating model verification and self-adaptation | |
CN114565051B (zh) | 基于神经元影响程度的产品分类模型的测试方法 | |
JP7332190B2 (ja) | 機械学習基盤情報の提供方法および装置 | |
CN115587358A (zh) | 一种二进制代码相似性检测方法、装置及存储介质 | |
CN115962340B (zh) | 智能流体控制阀及其控制方法 | |
Bashar et al. | Algan: Time series anomaly detection with adjusted-lstm gan | |
CN116551466B (zh) | Cnc加工过程中的智能监控***及其方法 | |
Ding et al. | Supervised sparse preserving projections model based on distributed principal component analysis for chemical process monitoring |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |